Démystifier l'IA quantique : ce qu'elle est, ce qu'elle n'est pas et pourquoi elle est importante aujourd'hui

L'IA est entrée dans une nouvelle ère. Il ne s'agit plus seulement de construire des modèles plus grands ou d'accéder à davantage de données. La concurrence actuelle est axée sur la rapidité, l'efficacité et l'innovation. Les entreprises recherchent de nouveaux outils offrant des avantages à la fois techniques et économiques. Pour certains, l'informatique quantique commence à faire partie de ces outils.

L'IA quantique désigne la combinaison de l'informatique quantique et de l'intelligence artificielle. Elle offre une nouvelle façon de résoudre des problèmes complexes d'apprentissage automatique, d'optimisation et d'analyse de données. Bien qu'encore en développement, son potentiel suscite un vif intérêt. Un projet mondial d'ici 2024 enquête réalisée par SAS  Une étude a révélé que plus de 60 % des chefs d'entreprise explorent ou investissent déjà dans l'IA quantique. Cependant, la plupart d'entre eux affirment ne pas bien comprendre la nature de cette technologie ni ses applications potentielles.

Cet article explique ce qu’est l’IA quantique, quels problèmes elle pourrait aider à résoudre et où elle pourrait avoir un impact dans un avenir proche.

Pourquoi les équipes d'IA s'intéressent au quantique

L'entraînement de grands modèles d'IA demande du temps, de l'énergie et de l'argent. Même des améliorations d'efficacité mineures peuvent générer des économies significatives. L'informatique quantique offre de nouvelles méthodes pour résoudre certains problèmes avec plus d'efficacité et de précision que les machines classiques.

Par exemple, les ordinateurs quantiques peuvent effectuer plusieurs calculs simultanément grâce à une propriété appelée superposition. Cela les rend particulièrement adaptés aux problèmes impliquant la recherche dans de grands espaces ou l'optimisation de systèmes complexes. Ces capacités s'intègrent parfaitement à de nombreuses tâches d'apprentissage automatique, telles que la sélection de caractéristiques, l'optimisation de modèles et l'échantillonnage de données.

Alors que les machines quantiques actuelles sont encore en évolution, les chercheurs trouvent des moyens de les combiner avec des outils classiques. Ces systèmes hybrides permettent aux équipes d'IA de tester dès maintenant des méthodes quantiques, sans attendre un matériel quantique pleinement développé.

Ce qu'est et n'est pas l'IA quantique

L'IA quantique ne vise pas à remplacer les systèmes d'IA actuels par des versions quantiques. Il ne s'agit pas non plus d'exécuter des modèles d'apprentissage profond entièrement sur du matériel quantique.

Il s'agit plutôt d'utiliser des algorithmes quantiques pour soutenir certaines parties du pipeline d'IA. Il peut s'agir de tâches telles que l'accélération de l'optimisation, l'amélioration de la sélection des caractéristiques ou l'optimisation de l'échantillonnage à partir des distributions de rentabilité. Dans ces cas, les ordinateurs quantiques ne remplacent pas les outils existants ; ils les soutiennent.

Les travaux sont encore expérimentaux. La plupart des exemples reposent sur des méthodes hybrides, où les composantes quantiques et classiques fonctionnent conjointement. Mais ces systèmes donnent déjà des résultats dans des cas d'utilisation spécifiques.

Applications actuelles en cours de développement

Bien que le domaine soit nouveau, l'IA quantique est déjà testée dans plusieurs secteurs. Ces exemples s'appuient sur des outils réels et des recherches publiées. Ils illustrent également les types de problèmes que les méthodes quantiques sont les mieux adaptées à résoudre.

Compression de modèles et cartographie des caractéristiques

Les modèles d'IA sont de plus en plus volumineux et leur apprentissage devient plus coûteux. Les technologies quantiques peuvent contribuer à réduire la taille et la complexité de ces modèles. L'une de ces méthodes est la cartographie quantique des caractéristiques, où les données d'entrée sont transformées à l'aide de circuits quantiques. Ces transformations peuvent aider à séparer les points de données difficiles à classer avec les techniques standard.

Au début de 2021 papier dans Physique de la nature Nous avons exploré comment les noyaux quantiques pourraient améliorer les machines à vecteurs de support, un type de modèle d'apprentissage automatique. Cette approche est efficace pour les ensembles de données de grande dimension ou clairsemés, où les modèles classiques peinent à fonctionner.

Optimisation de portefeuille en finance

Les banques et les gestionnaires d'actifs utilisent souvent l'IA pour gérer leurs portefeuilles et évaluer les risques. Ces tâches impliquent un grand nombre de variables et de contraintes. Des algorithmes quantiques comme l'algorithme d'optimisation approximative quantique (QAOA) sont actuellement testés pour résoudre ces problèmes plus efficacement.

Citi Innovation Labs et AWS Ils ont récemment étudié l'utilisation des ordinateurs quantiques pour l'optimisation de portefeuille, en utilisant notamment l'algorithme QAOA et ses performances. Cette collaboration témoigne de l'intérêt et des investissements croissants pour l'informatique quantique comme outil de résolution de problèmes concrets.

Découverte de médicaments et modélisation moléculaire

Le développement de médicaments repose sur la prédiction des interactions entre les molécules. Les modèles d'IA peuvent y contribuer, mais les simulations classiques ont leurs limites. L'informatique quantique est plus adaptée à la modélisation des systèmes chimiques à l'échelle quantique.

A nouvelle étude d'IBM, de la Cleveland Clinic et de l'Université d'État du Michigan ont démontré une nouvelle façon de simuler des molécules complexes à l'aide d'ordinateurs quantiques de la génération actuelle, offrant une voie viable pour l'informatique scientifique centrée sur le quantique.

Optimisation de la chaîne d'approvisionnement

Les chaînes d'approvisionnement sont difficiles à gérer en raison de leur taille et de leur complexité. L'IA peut aider, mais certaines tâches, comme la planification des itinéraires et le contrôle des stocks, restent difficiles à optimiser. Des méthodes quantiques sont explorées pour améliorer ces tâches.

Fujitsu s'est associé Avec Japan Post, l'objectif était d'optimiser la livraison du dernier kilomètre à Tokyo, où les algorithmes de routage traditionnels ne prenaient pas en compte les variables dynamiques telles que les embouteillages et les fluctuations de volume de colis. Grâce à l'IA quantique, l'entreprise a pu commencer à transformer certains aspects fondamentaux de la logistique.

Défis et limites

Le matériel quantique demeure un défi. Malgré des avancées quasi quotidiennes, les machines actuelles restent sensibles au bruit, difficiles à dimensionner et peu fiables pour les calculs longs. La plupart des applications doivent fonctionner dans ces limites, en utilisant des circuits quantiques plus courts et plus simples.

Le développement de logiciels quantiques est également complexe. La programmation quantique requiert des connaissances en physique, en mathématiques et en informatique. Rares sont les équipes qui possèdent la bonne combinaison de compétences.

Pour lever cet obstacle, de nouveaux outils sont créés. Parmi ceux-ci figurent des cadres de programmation de haut niveau et des systèmes de conception de circuits automatisés. Ceux-ci permettent aux développeurs d'IA de tester des méthodes quantiques sans avoir à écrire de code quantique de bas niveau.

Ce que les équipes d'IA peuvent faire aujourd'hui

L'IA quantique n'est pas encore prête pour un déploiement complet. Cependant, les équipes tournées vers l'avenir peuvent commencer à développer les connaissances et les systèmes nécessaires pour en tirer pleinement parti. Voici trois étapes à suivre :

1. Constituez des équipes pluridisciplinaires – Associez des experts en IA à des chercheurs en optimisation et en informatique quantique. Cela permet aux équipes d'explorer de nouvelles idées et de préparer les capacités futures.
2. Expérimentez avec des workflows hybrides – Concentrez-vous sur des problèmes spécifiques où les composants quantiques peuvent prendre en charge les modèles classiques. Il s'agit notamment de la sélection de caractéristiques, de l'échantillonnage ou de l'optimisation sous contraintes.
3. Utilisez des outils qui abstraient la complexité – Adoptez des plateformes et des frameworks qui masquent les détails quantiques de bas niveau. Ces outils aident les équipes à se concentrer sur l'application, et non sur le matériel.

L'IA quantique est encore en développement. Elle ne constitue ni un raccourci ni un substitut à l'IA classique. Cependant, il s'agit d'un domaine en pleine expansion, doté d'un réel potentiel dans des domaines où les modèles actuels sont insuffisants ou peinent à se développer. La voie la plus probable n'est pas une rupture brutale, mais une intégration progressive.

À mesure que le matériel quantique s'améliore et que les logiciels deviennent plus accessibles, les premiers utilisateurs seront mieux placés pour exploiter ces nouveaux outils. Pour les équipes travaillant déjà aux limites des systèmes classiques, l'IA quantique pourrait être la prochaine voie à explorer.